Google Gemini 384 × 384 px तक की किसी भी इमेज के लिए 258 टोकन चार्ज करता है। यदि इमेज उस आकार से बड़ी है, तो Gemini प्रत्येक 768 × 768 px टाइल के लिए 258 टोकन का अतिरिक्त शुल्क जोड़ता है। इसलिए, 500 × 500 px की तस्वीर की लागत 384 × 384 px वाली तस्वीर के बराबर ही होती है, जबकि 1920 × 1080 px का फ्रेम छह टाइल्स में फैला होता है और 1,548 टोकन का उपयोग करता है। उन डेवलपर्स के लिए जो प्रति टोकन भुगतान करते हैं, 768-पिक्सेल की सीमा को पार करने से लागत में 75% तक का अंतर आ सकता है।

Gemini इमेज की कीमत कैसे तय करता है

Gemini तस्वीरों को विजुअल पैच (visual patches) के ग्रिड के रूप में मानता है। एक 384-पिक्सेल का वर्ग 256 पैच में विभाजित हो जाता है; विजुअल सीक्वेंस की शुरुआत और अंत को चिह्नित करने के लिए दो अतिरिक्त टोकन जोड़े जाते हैं, जिससे 258 टोकन की फ्लैट कीमत मिलती है। इससे बड़ी किसी भी चीज़ के लिए 'टाइलिंग' (tiling) प्रक्रिया शुरू हो जाती है: सिस्टम इमेज को 768-पिक्सेल की टाइल्स में काटता है, प्रत्येक टाइल का स्वतंत्र रूप से मूल्यांकन करता है, और प्रत्येक के लिए 258 टोकन का शुल्क लेता है।

टोकन की संख्या टाइल्स की संख्या के साथ बढ़ती है, न कि कच्चे पिक्सेल (raw pixels) के साथ। एक 1280 × 720 px की फोटो दो टाइल्स घेरती है (258 × 2 = 516 टोकन)। एक 3840 × 2160 px 4K फ्रेम पंद्रह टाइल्स को कवर करता है, जिसकी लागत 3,870 टोकन होती है। नियम सरल है—इमेज जितने 768-पिक्सेल के वर्गों को घेरती है उन्हें गिनें, उसे 258 से गुणा करें, और आपका टोकन बिल तैयार है।

यह नियम क्यों महत्वपूर्ण है

Gemini का टोकन मॉडल सीधे API खर्चों में बदल जाता है।

बिल कम करने के व्यावहारिक तरीके

  • टाइल सीमा के भीतर रहें। एक 800 × 800 px की इमेज चार 768-पिक्सेल टाइल्स में विभाजित हो जाती है, जिसकी लागत 1,032 टोकन होती है—जो कि 768 × 768 px की तस्वीर की कीमत से चार गुना है। सटीक टाइल सीमा तक रीसाइज करें और 75% बचाएं।
  • खाली जगह को कम करें। बड़े सफेद मार्जिन अभी भी पैच उत्पन्न करते हैं जो टोकन की कुल संख्या में गिने जाते हैं। उन मार्जिन को क्रॉप करने से लागत दो-तिहाई तक कम हो सकती है।
  • OCR पठनीयता का ध्यान रखें। Gemini टेक्स्ट को तभी पढ़ पाता है जब अक्षर लगभग 15–20 px ऊंचे हों। यदि आप किसी दस्तावेज़ को उस सीमा से नीचे डाउनस्केल करते हैं, तो मॉडल शब्द नहीं पढ़ पाएगा, जिससे आपको टेक्स्ट इनपुट का सहारा लेना पड़ेगा जो अधिक महंगा हो सकता है।
  • प्रति-लाइन ऊंचाई का नियम लागू करें। प्लेन-टेक्स्ट दस्तावेज़ों के लिए, कुल इमेज ऊंचाई को लाइनों की संख्या और 25 px के गुणनफल के बराबर रखने का लक्ष्य रखें। यह "गोल्डन फॉर्मूला" लाइन स्पेसिंग को पठनीय रखते हुए एक ही टाइल के भीतर रहने में मदद करता है।
  • सघन डेटा (dense data) के लिए इमेज को प्राथमिकता दें। एक बड़े स्प्रेडशीट का स्क्रीनशॉट या LaTeX समीकरण अक्सर उसी डेटा को टाइप करने की तुलना में प्रति टोकन अधिक जानकारी प्रदान करता है। जब घनत्व अधिक होता है, तो इमेज की 258-टोकन लागत समकक्ष टेक्स्ट पेलोड की तुलना में सस्ती हो सकती है।

कब इमेज टेक्स्ट से बेहतर होती हैं

कई प्रकार की सामग्री के लिए टोकन इकोनॉमी तस्वीरों के पक्ष में झुक जाती है:

  • गैर-लैटिन लिपियाँ (Non-Latin scripts)। हिंदी, चीनी, अरबी और इसी तरह की लिपियों में एक छोटा विचार व्यक्त करने के लिए कई अक्षरों की आवश्यकता होती है; टेक्स्ट मोड में प्रत्येक अक्षर एक टोकन बन जाता है, जबकि वही विजुअल एक ही इमेज टाइल में समा सकता है।
  • जटिल गणितीय संकेत। LaTeX फॉर्मूले टोकन की संख्या में बहुत बढ़ जाते हैं। फॉर्मूले की एक रेंडर की गई इमेज एक टाइल के भीतर रहती है, जिसकी लागत अक्सर कच्चे LaTeX स्ट्रिंग से कम होती है।
  • बड़े UI लेआउट या टेबल। फुल-स्क्रीन UI मॉकअप या मल्टी-पेज टेबल को इमेज के रूप में रेंडर करने से प्रत्येक तत्व का गद्य (prose) में वर्णन करने की आवश्यकता समाप्त हो जाती है, जिससे जानकारी कुछ ही टाइल्स में सिमट जाती है।

ट्रेड-ऑफ

बिना सोचे-समझे इमेज का आकार कम करने से उल्टा असर पड़ सकता है। यदि अक्षर 15-पिक्सेल के न्यूनतम स्तर से नीचे सिकुड़ जाते हैं, तो Gemini का OCR विफल हो जाता है और डेवलपर्स को कच्चे टेक्स्ट को भेजने का विकल्प चुनना पड़ता है—जिससे टोकन बिल बढ़ सकता है। बहुत अधिक आक्रामक क्रॉपिंग से वह संदर्भ (context) भी कट सकता है जिसकी मॉडल को सही उत्तर देने के लिए आवश्यकता होती है। सबसे अच्छा तरीका एक मध्यम रीसाइज है जो पठनीयता बनाए रखते हुए टाइल की सीमा का सम्मान करता है।

निष्कर्ष

Gemini के इमेज टोकन गणित को समझना एक छिपी हुई लागत को एक नियंत्रणीय चर (controllable variable) में बदल देता है। प्रत्येक अनुरोध से दर्जनों या सैकड़ों टोकन बचाने के लिए इमेज को 768 px या उससे कम रखें, अनावश्यक व्हाइटस्पेस को कम करें, और सुनिश्चित करें कि टेक्स्ट पठनीय रहे। सघन डेटा वाली सामग्री—गैर-लैटिन लिपियाँ, गणित, टेबल—के लिए, इमेज अक्सर टोकन की बहुत कम कीमत पर समान जानकारी प्रदान करती हैं। अंधाधुंध डाउनस्केलिंग नहीं, बल्कि स्मार्ट प्रीप्रोसेसिंग ही एक कुशल Gemini इंटीग्रेशन की कुंजी है।

स्रोत: dev.to/kushaagr